李沐论文精读笔记
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_d5d46a15/mli-paper-reading-penghel。
技能介绍
解决什么问题
读论文常被摘要、方法叙述和图表信息量淹没:不确定值不值得精读,也难以快速定位主张、证据与复现缺口。该技能围绕李沐论文精读方法,把一篇论文拆成可判断、可讨论、可复现的结构化笔记,而不是简单输出摘要。
核心能力与步骤
- 输入适配:支持
arXiv链接、PDF 链接、本地 PDF、DOI 和论文标题;无 PDF 时可用Mermaid架构图替代原图。 - 三遍阅读:先做
Paper Card判断是否继续,再梳理问题、方法、实验与证据,最后做虚拟复现,输出假设、步骤、缺失细节和复现风险。 - 论证链审查:追踪「问题→主张→理由→证据→局限」,用证据账本标注
strong/weak/unsupported,并检查数据泄露、基线公平、指标错位和负面结果缺失。 - HTML 笔记:生成自包含 HTML,内嵌图片 base64,使用
MathJax渲染公式,并在本地浏览器打开;适合做精读、评审、对比、复现计划和文献地图。
适用边界
深度精读需要可访问论文;只有标题时分析依赖检索到的摘要或正文,可能不如完整 PDF 稳定。原图提取依赖 PDF 与图像解析,无图时会改用示意图。HTML 公式和架构图依赖 CDN 加载,离线环境下可能只显示原始 LaTeX 或不渲染图表。
使用场景
- 拿到论文链接,想在评审会前判断是否值得精读并输出依据。
- 本地已有论文文件,需要提取架构图和公式,生成结构化笔记。
- 复现前需要列出假设、缺失细节和实验风险,整理成复现清单。
- 比较多篇相关论文,需要输出贡献、证据强度和失败模式对比表。
适合人员
- ML 研究生:要把 arXiv 论文读成可复现的研究笔记。
- 算法工程师:复现论文前需要检查假设、基线和缺失细节。
- 技术主管:比较候选方法,整理贡献、证据与失败模式。
- 研究助理:为文献综述建立问题、方法族与后续工作地图。